在本文中主要介绍特征层融合，对于特征层融合，目前主要分三类，基于特征合并、基于特征选择和基于特征提取[7]方法。

从概念上讲，这种基于特征组合的方法并不是真正的特征融合的过程。特征融合包含特征组合，但不仅于此。事实上，特征融合应该是一个特征组合后再处理的一个过程:保留有利的分类信息，减少并消除不利的冗余或相互矛盾的信息。一般地，人们更倾向于使用特征融合后的特征进行分类、预测，而不是简单地将特征进行合并。

在基于特征选择的方法中，多种特征集呗集聚在一起，使用一个合适的方法选择一个子集。基于特征选择方法依赖于这样的一个假设：并非所有的特征分量都是有价值的。许多基于特征选择的融合方法被成功运用于蛋白质属性预测，如二硫键连接预测[8]。蛋白质-蛋白质相互作用预测[9]。

很容易发现，在特征层融合的各种方法中，一个共同点就是要合并多视角特征向量为一个特征向量。传统的合并多视角特征向量的方法是将不同的特征向量合并为一个更大的特征向量（串行合并）[10]。在本文中将采用并行融合策略[11] ，通过并行方式合并两个特征向量为一个复杂的向量并进一步做特征提取。